Modelos de Fundación Aumentados por Recuperación para Transformaciones de Parejas Moleculares Coincidentes que Recapitulaban la Intuición de la Química Medicinal
Imagen generada por Gemini AI
Investigadores han desarrollado un nuevo modelo fundamental para la generación de análogos químicos utilizando pares moleculares emparejados (MMPs). Este modelo permite la generación de variables diversas basadas en patrones de transformación definidos por el usuario, lo que mejora la capacidad de control. El método, denominado MMPT-RAG, incorpora referencias externas para aumentar la relevancia contextual. Los experimentos indican avances significativos en la diversidad y novedad de los compuestos generados, lo que lo convierte en una herramienta valiosa para la química medicinal en el descubrimiento práctico de fármacos.
Avances en Aprendizaje Automático para Química Medicinal
Desarrollos recientes en aprendizaje automático están mejorando la química medicinal a través de Modelos de Fundación Aumentados por Recuperación, que se centran en las transformaciones de pares moleculares emparejados (MMPTs). Estos modelos facilitan la generación de análogos moleculares diversos que se alinean con los procesos de diseño de los químicos.
Los pares moleculares emparejados encapsulan las ediciones químicas locales que los químicos emplean comúnmente. Los métodos tradicionales han tenido dificultades con esta tarea, ya sea analizando moléculas enteras o aprendiendo de conjuntos de datos limitados. La nueva formulación de variable a variable busca abordar estos desafíos entrenando un modelo de fundación en extensas transformaciones de MMP.
Diseño de Modelo Innovador
El modelo mejora la generación de análogos condicionando la salida a una variable de entrada, lo que mejora la controlabilidad de la transformación. Además, los mecanismos de solicitud permiten a los usuarios especificar los patrones de transformación deseados, brindando mayor flexibilidad.
Incorporando un marco de recuperación aumentada conocido como MMPT-RAG, el modelo utiliza análogos de referencia externos para orientación contextual, mejorando significativamente la generalización a través de series de proyectos específicos.
Validación Experimental
Experimentos en corpora químicos generales y conjuntos de datos específicos de patentes han demostrado:
- Aumento de la diversidad en las estructuras moleculares generadas
- Nueva mejora, lo que lleva a análogos únicos
- Mejor controlabilidad, permitiendo resultados personalizados
Estos hallazgos indican que el modelo recupera con éxito estructuras de análogos realistas que pueden agilizar los flujos de trabajo para los químicos medicinales.
Temas relacionados:
📰 Fuente original: https://arxiv.org/abs/2602.16684v1
Todos los derechos y créditos pertenecen al editor original.